一种基于制造技术

一种基于

【技术实现步骤摘要】
一种基于Deep
‑
FCSVDD的拉索结构实时早期预警方法


[0001]本专利技术属于拉索结构实时预警
，尤其涉及一种基于深度全卷积支持向量数据描述模型的拉索结构实时早期预警与损伤定位
。

技术介绍

[0002]拉索结构因其高承载能力和良好的空气动力学
/
抗震性能，已广泛应用于大跨度桥梁
、
建筑屋顶
、
体育场馆等结构的设计和建造
。
实际中，与传统梁柱不同，拉索的设计使用年限通常较短，拉索的实际使用年限往往更短
。
拉索更容易损伤，并且拉索失效可能直接导致整体结构倒塌
。
因此，提早检测拉索中的潜在损伤至关重要
。
[0003]拉索经常由于断丝
、
锚头松动
、
腐蚀等原因损伤
。
目前，拉索损伤检测方法主要有三种：基于振动响应的方法
、
基于静力参数的方法和无损检测方法
。
由于振动响应
(
如加速度和位移
)
的测试精度高
、
成本低，因此基于振动的拉索损伤检测方法应用非常广泛
。
提取的振动频率或索力被作为损伤指标，当它们出现突变且不可恢复的下降时，可认为拉索出现损伤
。
但是，这些指标对轻微损伤不够敏感，异常变化可能被噪声掩盖
。
应变计测得的应变和压力传感器测得的索端压力是另一类损伤指标，但两者安装和移除不便
。
无损检测技术如声发射
、
漏磁检测
、
导波检测由于检测精度高，也可用于拉索结构的现场检测，但设备昂贵
、
操作复杂，部分技术不适合长期监测
。
深度学习方法由于其强大的特征提取能力，可以从白噪声激励下的结构振动响应中提取到轻微损伤特征，适合用于拉索的实时早期损伤预警
。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于
Deep
‑
FCSVDD
的拉索结构实时早期预警方法
。
该方法针对拉索结构中
(
包括斜拉桥
、
悬索桥
)
单根或者多根拉索的在线监测
。
[0005]本专利技术的技术方案：
[0006]一种基于
Deep
‑
FCSVDD
的拉索结构实时早期预警方法，步骤如下：
[0007]S1、
收集拉索结构中每一根拉索的侧向加速度响应；
[0008]S1.1、
拉索侧向加速度响应是指垂直于车流方向的拉索加速度响应，采用加速度计进行加速度响应的采集，其采样频率一般取
100Hz
；
[0009]S2、
对每一根拉索的加速度响应进行独立的数据集分割，并对产生的每一个数据集中的加速响应进行预处理，每一根拉索都对应一个训练集
、
一个验证集和一个测试集；
[0010]对每一根拉索的加速度响应进行独立的数据集分割：
[0011]S2.1、
对收集到的拉索健康和未知
(
包含健康和损伤
)
两种状态下的加速度响应进行数据集划分，按比例划分为三个数据集，分别为训练集
、
验证集和测试集，其中训练集和验证集分别用于
Deep
‑
FCSVDD
模型的训练与模型的选择，它们中只能包含拉索健康状态下的数据，测试集中包含拉索未知状态
(
包含健康和损伤
)
下的数据，并将其用于测试算法对于拉索早期预警的性能；
[0012]S2.1.1、
健康状态是指拉索没有发生损伤的状态，未知状态是指拉索有可能已经发生损伤但未发现，需要进一步判断的状态
。
[0013]对
S2.1
中产生的每一个数据集中的加速响应进行预处理：
[0014]S2.2、
预处理包括数据增广与频域处理两个步骤，数据增广用于扩充数据集提升模型精度，频域预处理用于提取加速度响应中的有效信息降低模型的学习难度；
[0015]S2.2.1、
数据增广是指对拉索加速度响应的时域信号进行滑动窗口式的切片，首先选取一个大小为
NT
的初始窗口，将窗口中包含的时域数据点作为一个样本，然后将窗口沿着时间轴的正方向以特定步长移动，移动后窗口包含的数据点作为一个新的样本，重复进行窗口移动，直到窗口达到数据的末尾
。
[0016]步骤
S2.2.1
中初始窗口
NT
的大小需要根据拉索的基频确定，其计算方式如下：
[0017][0018]其中，
f
代表拉索的基频，
Δ
f
频率分辨率要求不低于
f
的1％，
f
s
代表采样频率，取
100Hz
，代表向下取整，
f
max
代表选取频带的最高频率，
f
min
代表选取频带的最低频率；
[0019]S2.2.2、
频域预处理是指将
S2.2.1
中的样本通过快速傅里叶变换转换到频域，并求出其功率谱密度
PSD
，然后在
PSD
中截取一个信噪比高的频带，最后将截取的频带内的
PSD
数据标准化即完成了频域预处理
。
[0020]S3、
将所有拉索的三个数据集复制一份并按照类别将复制后的数据集混合在一起，形成一个总体训练集
、
一个总体验证集和一个总体测试集，并使用这三个总体数据集训练与测试一维全卷积自编码器
(One
‑
dimensional Fully Convolutional Auto
‑
Encoder
，
1D
‑
CAE)
，最后保存
1D
‑
CAE
的最佳权重；
[0021]S3.1、
将所有拉索的三个数据集复制一份并按照类别将复制后的数据集混合在一起是指将所有拉索的训练集复制一份并将复制后的数据集混在一起后随机打乱，验证集和测试集与训练集同理
。
[0022]S3.2、
使用这三个总体数据集训练与测试
1D
‑
CAE
是指构建一个
1D
‑
CAE
，然后使用
S3.1
中构建的总体训练集和验证集对模型进行训练与选择，最终保存选择的最佳权重
。
[0023]其中，
1D<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
Deep
‑
FCSVDD
的拉索结构实时早期预警方法，其特征在于，步骤如下：
S1、
收集拉索结构中每一根拉索的侧向加速度响应；拉索的侧向加速度响应是指垂直于车流方向的拉索加速度响应，采用加速度计进行加速度响应的采集；
S2、
对每一根拉索的侧向加速度响应进行独立的数据集分割，并对产生的每一个数据集中的加速响应进行预处理，每一根拉索都对应一个训练集
、
一个验证集和一个测试集；
S2.1、
对每一根拉索的侧向加速度响应进行独立的数据集分割对收集到的拉索健康状态和未知状态下的加速度响应进行数据集划分，按比例划分为三个数据集：分别为训练集
、
验证集和测试集；其中，训练集和验证集分别用于
Deep
‑
FCSVDD
模型的训练与模型的选择，训练集和验证集中只能包含拉索健康状态下的数据，测试集中包含拉索未知状态下的数据，并将其用于测试算法对于拉索早期预警的性能；其中，未知状态包含健康和损伤；健康状态是指拉索没有发生损伤的状态，未知状态是指拉索有可能已经发生损伤但未发现，需要进一步判断的状态；
S2.2、
对
S2.1
中产生的每一个数据集中的加速响应进行预处理预处理包括数据增广与频域处理两个步骤，数据增广用于扩充数据集提升模型精度，频域预处理用于提取加速度响应中的有效信息降低模型的学习难度；
S2.2.1、
数据增广是指对拉索的侧向加速度响应的时域信号进行滑动窗口式的切片，首先选取一个大小为
NT
的初始窗口，将初始窗口中包含的时域数据点作为一个样本，然后将初始窗口沿着时间轴的正方向以特定步长移动，移动后窗口包含的数据点作为一个新的样本，重复进行窗口移动，直到窗口达到数据的末尾；步骤
S2.2.1
中初始窗口
NT
的大小需要根据拉索的基频确定，其计算方式如下：其中，
f
代表拉索的基频，
Δ
f
频率分辨率要求不低于
f
的1％，
f
s
代表采样频率，取
100Hz
，代表向下取整，
f
max
代表选取频带的最高频率，
f
min
代表选取频带的最低频率；
S2.2.2、
频域预处理是指将
S2.2.1
中的样本通过快速傅里叶变换转换到频域，并求出其功率谱密度
PSD
，然后在
PSD
中截取一个信噪比高的频带，最后将截取的频带内的
PSD
数据标准化；
S3、
将所有拉索的三个数据集复制一份并按照类别将复制后的数据集混合在一起，形成一个总体训练集
、
一个总体验证集和一个总体测试集，并使用三个总体数据集训练与测试全卷积一维卷积自编码器
1D
‑
CAE
，最后保存
1D
‑
CAE
的最佳权重；其中，
1D
‑
CAE
主要由编码器和解码器组成，编码器部分由一维卷积层
、
一维标准化层
、
一维最大值池化层和两种非线性激活函数组成，详细架构为：输入
‑
&gt;
一维卷积层
‑
&gt;
一维标准化层
‑
&gt;LeakyReLU
‑
&gt;
一维最大值池化层
‑
&gt;
一维卷积层
‑
&gt;
一维标准化层
‑
&gt;LeakyReLU
‑
&gt;
一维最大值池化层
‑
&gt;
一维卷积层
‑
&gt;
一维标准化层
‑
&gt;LeakyReLU
‑
&gt;
一维最大值池化层
‑
&gt;
一维卷积层
‑
&gt;ReLU
‑
&gt;
低维特征；解码器部分由一维转置卷积层
、
一维标准化层
、
上采样层和两种非线性激活函数组成，详细架构为：...

【专利技术属性】
技术研发人员：薛志林，安永辉，李宾宾，欧进萍，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：